Deep-Wide Learning Assistance for Insect Pest Classification

要約

害虫を正確に認識することは、農業において重要な役割を果たします。
昆虫の複雑な特性により、これは難しい問題です。
本稿では、害虫分類のための新しい学習支援DeWiを紹介します。
DeWi は、1 段階の交互トレーニング戦略により、複数の畳み込みニューラル ネットワークを 2 つの観点 (教師ありトレーニング方法でトリプレット マージン損失を最適化することによる) 識別と (データ拡張による) 汎化という 2 つの観点から同時に改善します。
そこから、DeWi は害虫の識別的で詳細な特徴 (深い) を学習しながら、多数の昆虫のカテゴリ (広い) によく一般化することができます。
実験結果は、DeWi が 2 つの害虫分類ベンチマークで最高のパフォーマンスを達成していることを示しています (それぞれ、IP102 データセットで 76.44\% の精度、D0 データセットで 99.79\% の精度)。
さらに、当社のDeWiを徹底的に調査し、その優位性を実証するために、広範な評価とアブレーション研究が行われています。
ソースコードは https://github.com/toannguyen1904/DeWi で入手できます。

要約(オリジナル)

Accurate insect pest recognition plays a critical role in agriculture. It is a challenging problem due to the intricate characteristics of insects. In this paper, we present DeWi, novel learning assistance for insect pest classification. With a one-stage and alternating training strategy, DeWi simultaneously improves several Convolutional Neural Networks in two perspectives: discrimination (by optimizing a triplet margin loss in a supervised training manner) and generalization (via data augmentation). From that, DeWi can learn discriminative and in-depth features of insect pests (deep) yet still generalize well to a large number of insect categories (wide). Experimental results show that DeWi achieves the highest performances on two insect pest classification benchmarks (76.44\% accuracy on the IP102 dataset and 99.79\% accuracy on the D0 dataset, respectively). In addition, extensive evaluations and ablation studies are conducted to thoroughly investigate our DeWi and demonstrate its superiority. Our source code is available at https://github.com/toannguyen1904/DeWi.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google